AI落地：让人工智能为你所用

作品简介

面对人工智能（AI）这一技术名词和概念，你是否以为它门槛高、特复杂、难以落地？

面对人工智能产品爆发式涌现，你是否担心它会夺走你的工作，进而产生恐慌和忧虑？

面对日常见到的“人工智障”工具，你是否对人工智能产生过质疑？

进入人工智能时代，你能够做什么？需要掌握哪些技能？如何让技术为自己服务？

本书结合人工智能落地的方法和案例，采用通俗易懂的语言，为你揭开人工智能的面纱，教你寻找在生活中、工作中适合人工智能落地的场景，以及评价其价值的方法，助你实现降本增效的目标。书中不仅将算法原理和思维融入日常熟知事物做对比，以便让你了解技术，还总结了人工智能落地的步骤和评估方法来帮助读者找到人工智能落地潜在的机会，使读者能够在阅读完本书内容后，对于人工智能的应用场景及如何实际操作成功落地部署有一定的了解。此外，阅读本书，读者还可以了解目前人工智能技术的局限及后续的技术发展方向。

本书适合正在或希望从事人工智能产品设计和运营的人员、与人工智能相关的技术人员、想认识和充分了解人工智能发展的人员阅读。

王海屹，国内大语言模型首批实践者。腾讯公司前产品专家，北京邮电大学智能科学与技术实验室硕士，中关村U30维鹰计划人才科技公司AI落地、算法落地顾问。曾作为算法和产品合伙人经历多次AI创业，主导过大中小型公司AI产品从0到1的落地工作。

作品目录

• 推荐语
• 前言
• 第1章 一场“特殊”的人工智能之旅
• 1.1 为什么“特殊”
• 1.1.1 人工智能为什么重要
• 1.1.2 人工智能是什么
• 1.1.3 生活中的人工智能可以帮你做什么
• 1.1.4 工作中的人工智能可以帮你做什么
• 1.2 人工智能擅长的和不擅长的
• 1.2.1 人工智能的局限和落地的依赖
• 1.2.2 人工智能的优势
• 1.2.3 如何判断场景是否适合应用人工智能
• 1.3 如何看待人工智能
• 1.4 智能化产品
• 1.4.1 人工智能产品的发展
• 1.4.2 人工智能产品的要素
• 1.4.3 人工智能创业
• 本章结语
• 参考文献
• 第2章 需要认识的人工智能
• 2.1 与“互联网思维”不同的“人工智能思维”
• 2.1.1 需求产生：用户与数据相对比
• 2.1.2 方案设计：单点与整体相对比
• 2.1.3 结果输出：确定与不确定相对比
• 2.1.4 价值验证：流量与效率相对比
• 2.2 人工智能特殊的能力——机器学习
• 2.2.1 机器学习的原理和四个能力
• 2.2.2 机器模拟人脑学习的五种方式
• 2.2.3 模拟人脑的神经网络模型
• 2.2.4 机器与人的差距
• 2.3 人工智能系统的结构
• 2.3.1 底层：硬件层
• 2.3.2 中层：技术层
• 2.3.3 顶层：应用层
• 本章结语
• 参考文献
• 第3章 人工智能落地
• 3.1 人工智能落地的重要领域
• 3.2 人工智能落地的步骤
• 3.2.1 定点：确定场景中的落地点
• 3.2.2 交互：确定交互方式和使用流程
• 3.2.3 数据：数据的收集及处理
• 3.2.4 算法：选择算法及模型训练
• 3.2.5 实施：人工智能系统实施/部署
• 3.3 To B：人工智能赋能企业
• 3.3.1 B端人工智能产品的形式
• 3.3.2 企业落地人工智能的前提条件
• 3.3.3 人工智能赋能企业的关键点
• 3.4 To C：打造用户喜欢的人工智能产品
• 3.4.1 C端产品中人工智能应用的三种形式
• 3.4.2 识别C端人工智能落地需求的真伪
• 3.4.3 C端人工智能产品的设计原则
• 3.5 评估人工智能落地的方法
• 3.5.1 能力指标
• 3.5.2 场景覆盖度
• 3.5.3 使用效能
• 3.5.4 系统性能
• 3.5.5 经济性
• 3.6 如何评估数据质量
• 3.6.1 定性评估你的数据
• 3.6.2 定量评估你的数据
• 本章结语
• 参考文献
• 第4章 人工智能落地案例
• 4.1 人工智能任务提醒助手
• 4.2 人工智能帮你做垃圾分类
• 4.3 人工智能辅助知识点巩固
• 4.4 人工智能制作凡·高式艺术图片
• 4.5 人工智能大模型生成电商素材
• 本章结语
• 参考文献
• 第5章 人工智能的困境与展望
• 5.1 人工智能的数据依赖
• 5.2 阻碍人工智能落地的因素
• 5.2.1 人工智能贵，成本高
• 5.2.2 人工智能落地需要警惕“意外”
• 5.2.3 大众的期望问题
• 5.2.4 落地场景缺少数据
• 5.2.5 人工智能歧视
• 5.3 人工智能落地的七大方向
• 5.3.1 自然语言大模型
• 5.3.2 人机协作成为产品主流形态
• 5.3.3 人工智能自动化工作流
• 5.3.4 多模态融合
• 5.3.5 人工智能结合XR
• 5.3.6 人工智能可解释性提升
• 5.3.7 赋能传统行业的转型升级
• 本章结语
• 参考文献
• 后记